极客笔记Numpy.zeros和Numpy.zeros_like的性能差异
众所周知，Numpy是Python中使用最广泛的数值计算库。在数据科学和机器学习等众多领域都有着重要的应用。Numpy有着强大的数组功能，支持高维数组的创建、操作和运算，是在Python语言中进行大规模数值运算的首选库。本文探讨Numpy中的两个函数——numpy.zeros和numpy.zeros_like的性能差异。
阅读更多：Numpy 教程
numpy.zeros和numpy.zeros_like的作用
numpy.zeros和numpy.zeros_like都是用来创建全零数组的函数。
numpy.zeros(shape, dtype=float, order=’C’): 创建一个指定形状（shape）、数据类型（dtype）和采用的存储顺序（order）的以零填充的数组。
例如：
import numpy as np
a = np.zeros((3,4))
print(a)
运行结果如下：
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
numpy.zeros_like(a, dtype=None, order=’K’, subok=True, shape=None): 返回与给定数组（a）具有相同形状和类型的全零数组。
例如：
b = np.array([1, 2, -3])
print(b, np.zeros_like(b))
c = np.array([[1, 2, -3],[4,5,6]])
print(c, np.zeros_like(c))
运行结果如下：
[ 1 2 -3] [0 0 0]
[[ 1 2 -3]
[ 4 5 6]] [[0 0 0]
[0 0 0]]
numpy.zeros和numpy.zeros_like的性能差异
在实际应用中，我们需要比较这两个函数的性能。我们在终端窗口中使用timeit命令进行测试。
import numpy as np
import timeit
a = np.random.random(100)
%timeit np.zeros(a.shape)
%timeit np.zeros_like(a)
运行结果如下所示：
The slowest run took 25.87 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 5.63 µs per loop
The slowest run took 7.88 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 6.19 µs per loop
可以看出，numpy.zeros的运行时间比numpy.zeros_like略快。这是为什么呢？
原因在于numpy.zeros可以直接指定数组的形状，所以不需要进行额外的计算和处理。而numpy.zeros_like需要先计算出要创建的全零数组的形状，才能进一步创建。
同时，numpy.zeros_like还需要传入一个原数组作为模板，这意味着numpy.zeros_like要额外进行数据类型转换等操作。
指定数据类型的差异
numpy.zeros和numpy.zeros_like对于数据类型的处理上还有一些差异。
对于numpy.zeros，我们可以通过dtype参数来指定数组的数据类型。dtype既可以是Python内置类型，也可以是Numpy中的数据类型对象。
例如：
import numpy as np
a = np.zeros((3,4), dtype=int)
print(a)
运行结果如下：
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
对于numpy.zeros_like，该函数会继承原数组的数据类型。
例如：
import numpy as np
a = np.array([1, 2, 3])
b = np.zeros_like(a)
print(b, b.dtype)
c = np.array([1.2, 3.4, -6.7])
d = np.zeros_like(c)
print(d, d.dtype)
运行结果如下：
[0 0 0] int64
[0. 0. 0.] float64
可以看到，numpy.zeros_like会继承原数组的数据类型。如果原数组的数据类型发生改变，则创建的全零数组的数据类型也会改变。需要注意的是，如果原数组的数据类型不是Numpy支持的类型，则numpy.zeros_like会忽略dtype参数，创建一个默认的float类型数组。
总结
本文讨论了Numpy中的两个函数——numpy.zeros和numpy.zeros_like的性能差异。经过测试，我们发现numpy.zeros的运行速度比numpy.zeros_like快。这是由于numpy.zeros可以直接指定数组的形状，而numpy.zeros_like需要先计算形状才能进行数组的创建。numpy.zeros_like还需要传入原数组作为模板，同时会继承原数组的数据类型，如果原数组的数据类型发生改变，则创建的全零数组的数据类型也会改变。在实际应用中，我们可以根据应用需求进行选择。